目录1.前言2.数据集简介2.1采集区域2.2采集平台3.激光雷达数据位置4.激光雷达数据标签含义5.数据预处理与训练5.1配置openpcdet5.2数据预处理5.2.1数据集目录整理5.2.2数据集格式转化5.3训练1.前言做激光雷达感知相关工作离不开数据集，激光雷达数据标注价格较高，可选的开源数据集不多，由于牵涉传感器众多，理清楚KITTI数据集的脉络有助于对该数据集的使用。本文整合该数据集的资料，包括标注含义、训练案例等，持续更新。2.数据集简介KITTI数据集是由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，利用组装的设备齐全的采集车辆对实际交通场景进行数据采集获得的公开数据集
目录前言一、绪论1.1设计背景1.2设计内容二、系统硬件设计2.1硬件系统框图2.2主控制电路2.3超声波电路2.4OLED显示电路2.5键盘输入电路2.6声光报警模块电路三、系统软件设计3.1系统主程序设计3.2 OLED显示程序设计3.3 键盘设定程序设计四、系统调试4.1硬件调试4.2软件调试4.3系统调试五、实物测试总结前言 本设计为博主利用每日闲余时间设计的小作品，有不足之处还请各位在评论区批评指正，部分内容参考来源网络资料，如有侵权请联系博主删除。一、绪论1.1设计背景 超声波测距是一种传统并且实用的测距方法，利用超声波可以非接触式测量，比起卷尺、激光或者无线电测这些更
这是目录1原理介绍1.1脉冲多普勒过程1.2信号模型1.3PD的实现1.4相参和非相参累积2实验内容2.1参数3MATLAB实现参考文献1原理介绍1.1脉冲多普勒过程我们用脉冲多普勒处理回波信号，目的是测量径向速度，提高信杂比和噪声比。脉冲多普勒（pulsedoppler,PD）处理是多普勒处理的第二大类。在MTI处理中，快时间/慢时间数据矩阵在慢时间维度中经过高通滤波，产生一个新的快时间/慢时间数据序列，其中杂波分量已被衰减。下图说明了PD处理的原理。下图显示了计算每个慢时间行数据的离散傅里叶变换（DFT）的每个慢时间行的频谱分析。因此，PD处理的结果是一个数据矩阵，其维度分别表示快时间和多
毫米波雷达心率、呼吸检测原理本项目分两到三篇文章写完，第一阶段借鉴TI开源项目以及根据自己的见解适当更改信号处理链通过AWR1843汽车雷达传感器和DCA1000采集卡采集数据完成人体呼吸和心跳检测算法的实现。第二阶段将仿真成功的代码搬移TIAWR1843传感器并通过串口数据实现生命体征的实时处理。本文即为第一阶段实现过程。本文首先概述毫米波雷达呼吸心跳检测的原理，紧接着概述本项目信号处理流程，另外本项目第一阶段通过matlab仿真验证算法的有效性，仿真源码在这篇文章结尾2.毫米波雷达心率呼吸实时处理实例（二）。1.概述普通成年人的心跳、呼吸的位移、频率参数如下：基本原理通过探测由于目标微小振
1.地图分类环境地图是机器人进行定位（特征地图）和规划（栅格地图）的前提尺度地图拓扑地图语义地图2.覆盖栅格建图算法把环境分解成一个一个的小栅格每个栅格有两种状态：占用（Occupied）或者空闲（free）非参模型随着地图的增大，内存需求急剧增加天然区分可通行区域，适合进行轨迹规划1.数学描述给定机器人的位姿和传感器的观测数据（主要是激光雷达）data=x1,z1,x2,z2,⋯ ,xn,zn(2-1)data={x_1,z_1,x_2,z_2,\cdots,x_n,z_n}\tag{2-1}data=x1,z1,x2,z2,⋯,xn,zn(2-1)估计出最可能的地图m∗=arg
板级电源分配网络的分析与仿真在硬件电路设计中，电源系统的设计是关键步骤之一，良好的电源系统为电路板上各种信号的传输提供了保障。本章将研究电源完整性的相关问题，并提出一系列改进电源质量的措施。3.1电源完整性电源完整性（PowerIntegrity）简称为PI，是指电源分配网络（PowerDistributionNetwork，PDN）能够满足负载芯片对电源的需求。其设计目标主要有两个：一是为负载提供干净的供电电压，二是为信号提供低噪声的参考路径[21]。随着芯片开关速度和晶体管数量的不断提高，芯片的功耗不断增加，开关在切换时所需的瞬态电流需求越来越大，这些变化给电源分配网络的设计提出了巨大的挑
多激光雷达标定multi_LiDAR_calibration对于多激光雷达的标定主要采用ICP、NDT等配准方法进行估计多个激光雷达的外参变换矩阵TTT。在这里先介绍一些先前关于多激光雷达外参标定的工作：M-LOAM：采用多个激光雷达固定到一个机器人上进行一起SLAM建图，在线标定得到外参矩阵。multi_lidar_calibration:代码地址https://github.com/AbangLZU/multi_lidar_calibration，博文说明https://zhuanlan.zhihu.com/p/362709744，作者原版的博文需要收费。该算法采用的是NDT配准，需要提供
本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
目录写在前面总体流程分块解释IMU数据接收和发布车轮编码器数据接收和发布数据融合——robot_localization概括使用cartographer订阅效果写在前面之前写了一篇ROS2+cartorgrapher+激光雷达建图并保存，但是由于其只对激光雷达的数据进行订阅，这就导致了其建图在室内会有一个较好的效果(但是也会出现偏差)，在室外完全无法使用。究其原因，是因为只用激光雷达且没有比较明显的建筑障碍物的话，cartographer很难计算出一个比较精准的位置和朝向。因此，为了达到一个更好的建图效果，我们使用了robot_localization包，对IMU和里程计的数据进行融合，并将其
